طريقة تجزئة الحريق في الزمن الفعلي تعتمد على منهجية التعلم العميق

بصفته نوعًا من "العطل" في الغابات، تمثل الحرائق تهديدًا هائلاً وتُعدّ صعبة في عملية الإخماد. وتساهم تقسيم الحرائق في تمكين رجال الإطفاء من فهم حجم الحريق ووضع خطة إطفاء معقولة. ولذلك، تُقدّم هذه الورقة منهجًا في الوقت الفعلي لتقسيم الحرائق مبنيًا على التعلم العميق. يُعدّ هذا المنهج نسخة مُحسّنة من نموذج DeepLabv3+، وهو نموذج يعتمد على هيكل مشفر-فكّار (Encoder-Decoder). يتكون الشبكة المشفرة من شبكة عصبية متعددة الطبقات باستخدام التحويلات التلافيفية العميقة وتقنية تجميع الهرم المكاني بالمسافات المتعددة (Atrous Spatial Pyramid Pooling). على عكس DeepLabv3+، وبغية تحسين سرعة التقسيم، تستخدم هذه الورقة الشبكة الخفيفة الوزن MobileNetV3 لبناء شبكة متعددة الطبقات التلافيفية العميقة، مع التخلي عن استخدام التحويلات المُتعددة المسافات (Atrous Convolution)، وإن كان ذلك سيؤثر سلبًا على دقة التقسيم. وللتعويض عن هذا التراجع في الدقة، تُضيف هذه الورقة، على أساس الشبكة الفكّارة الأصلية، ميزتين سطحيتين مختلفتين، مما يضمن احتواء الشبكة على معلومات غنية حول ملامح الحرائق. وتُظهر النتائج التجريبية أن الأداء الشامل لهذا المنهج أفضل من الأداء الأصلي لـ DeepLabv3+، وخاصةً في سرعة التقسيم، حيث ارتفعت السرعة إلى حوالي 59 إطارًا في الثانية (FPS).